KR20210095654A - 영상을 사용하여 유방암 위험을 평가하기 위한 시스템 및 방법 - Google Patents
영상을 사용하여 유방암 위험을 평가하기 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210095654A KR20210095654A KR1020217019280A KR20217019280A KR20210095654A KR 20210095654 A KR20210095654 A KR 20210095654A KR 1020217019280 A KR1020217019280 A KR 1020217019280A KR 20217019280 A KR20217019280 A KR 20217019280A KR 20210095654 A KR20210095654 A KR 20210095654A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- risk
- tissue
- cancer
- factors
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 34
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 34
- 238000003384 imaging method Methods 0.000 title claims abstract description 11
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 27
- 230000000873 masking effect Effects 0.000 claims abstract description 27
- 201000011510 cancer Diseases 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 210000000481 breast Anatomy 0.000 claims description 36
- 230000003902 lesion Effects 0.000 claims description 18
- 208000004434 Calcinosis Diseases 0.000 claims description 16
- 238000009607 mammography Methods 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 230000009245 menopause Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000007614 genetic variation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 230000003211 malignant effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003234 polygenic effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 108700020463 BRCA1 Proteins 0.000 description 1
- 102000036365 BRCA1 Human genes 0.000 description 1
- 101150072950 BRCA1 gene Proteins 0.000 description 1
- 102000052609 BRCA2 Human genes 0.000 description 1
- 108700020462 BRCA2 Proteins 0.000 description 1
- 101150008921 Brca2 gene Proteins 0.000 description 1
- 206010009244 Claustrophobia Diseases 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 102000015098 Tumor Suppressor Protein p53 Human genes 0.000 description 1
- 108010078814 Tumor Suppressor Protein p53 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명은 조직 영상 및 (선택적으로)다른 환자 관련 요인에 기초하여 유방암 진단의 위험을 평가하기 위한 시스템 및 방법을 제공한다. CAD (또는 유사한)시스템은 영상을 분석하고 복수의 수치 특징 값을 생성한다. 평가 모듈은 환자 요인 및 이력으로부터 입력을 수신하고 특징 값과 환자 요인 및 이력을 기초로 위험을 계산한다. 마스킹 모듈은 환자 요인 및 이력으로부터 입력을 수신하고, 특징 값과 환자 요인 및 이력에 기초하여 그렇지 않으면 낮은 검출 확률을 특징으로 하는 암에 걸릴 위험을 계산한다. 리콜 모듈은 평가 모듈 및 마스킹 평가 모듈로부터 입력을 수신하고 환자로부터의 임상 후속 조치에 대한 컴퓨터 지원 표시를 생성한다. 평가 결과는 그래픽 인터페이스 디스플레이를 사용하여 임상의 및 또는 환자에게 표시될 수 있다.
Description
본 발명은 유방 조직 및 다른 조직의 영상에 기초하여 (예를 들어) 유방에서 암성 상태로 진단될 위험을 결정하는 시스템 및 방법에 관한 것으로, 보다 구체적으로는 유전적 위험 변이, 유전 위험, 개인 이력 및/또는 생활 습관 요인 또한 포함할 수 있는 시스템 및 방법에 관한 것이다.
유방암 위험 예측 모델은 생활 습관 요인, 유방암 가족력, 유방 조영술 밀도, 유전적 결정 요인 또는 이러한 요인의 임의의 조합을 사용하여 질병 발병 위험을 예측한다. 유방 조영술 밀도는 유방암에 대한 가장 강력한 위험 요인 중 하나이며 유방 조영상의 방사선학적으로 조밀한 섬유유선 부분으로 구성된다. 치밀한 유방을 가진 여성은 유방암의 위험이 증가하고 암이 가려질 가능성(검출되지 않음)이 더 높다. 유방에 비정상적인 조직 변화가 있는 여성은 나중에 유방암 진단을 받을 위험이 높다. 현재 미국 27개 주에서 유방 조영술을 받는 여성에게 유방 조영술 밀도 수준을 보고하는 것은 법으로 의무화되어 있지만 유방암 위험을 보고할 의무는 없다.
현재 컴퓨터-보조 검진(Computer-Aided Detection, CAD) 소프트웨어 응용 프로그램/시스템은 유방암 조기 진단에 있어 유방 조영술 검사실의 방사선 전문의를 지원하기 위해 설계되었다. 이러한 시스템 및/또는 소프트웨어 유형은 의심스러운 미세 석회화(microcalcifications) 및 종괴(masses)를 나타낼 수 있다. 이러한 시스템 중 하나는 2014년 10월 2일에 발행된 방사선 MICROCALCIFICATION DETECTION CLASSIFICATION IN RADIOGRAPHIC IMAGES라는 명칭의 공동 양도된 미국 특허 번호 제8,855,388호에 설명되어 있으며, 그 교시는 유용한 배경 정보로써 본 명세서에 참조로 명시적으로 포함된다. 간단히 말해서, 이 시스템은 유방의 디지털화 된 (예를 들어) 유방 조영술 이미지 데이터에서 작동하며, 여기서 디지털화 된 이미지는 반복적으로 컨볼루션되어 제1 컨볼루션된 이미지를 형성한다. 제1 컨볼루션된 이미지는 제2 컨볼루션된 이미지를 형성하기 위해 제2 컨볼루션된다. 각각의 제1 컨볼루션된 이미지와 관련된 각각의 제2 컨볼루션된 이미지는 한 단계를 나타내고, 각 단계는 다른 스케일 또는 크기의 차이를 나타낸다. 예를 들어, 제1 컨볼루션은 가우시안 컨볼버(Gaussian convolver)를 사용할 수 있고, 제2 컨볼루션은 라플라시안 컨볼버(Laplacian convolver)를 사용할 수 있지만 다른 컨볼버가 사용될 수 있다. 도출된 후, 현재 단계의 제2 컨볼루션된 이미지와 이전 단계의 제1 컨볼루션된 이미지는 피크 검출기에 의해 현재 단계의 제2 컨볼루션된 이미지에서 결정된 인접 중앙값과 함께 사용되어 해당 특정 스케일에 대한 피크 또는 가능한 이상을 검출한다.
Eriksson et al.의 연구(유용한 배경 정보로서 본원에 참고로 포함됨)는 CAD 검진 시스템이 나중에 유방암 진단을 위한 위험 요인으로 미세 석회화 및 종괴를 포함함으로써 위험 모델을 확장하는 데 사용될 수 있음을 보여준다. 첨부된 부록에서 Mikael Eriksson, Kamila Czene, Yudi Pawitan, Karin Leifland, Hatef Darabi 및 Per Hall, 유방암의 단기 위험 식별을 위한 임상 모델, Breast Cancer Research(2017) 19:29(스웨덴 스톡홀름의 Karolinska Institute와 공동 연구)를 참조하자. 이 연구는 유방 조영술 밀도가 가장 높은 여성을 밀도가 가장 낮은 여성과 비교한 결과 유방암 위험이 5배 더 높았다. 미세 석회화 및 종괴에 의심스러운 병변을 모델에 추가할 때, 고위험 여성은 위험이 가장 낮은 여성보다 유방암 위험이 거의 9배 더 높았다. HRT 사용, 유방암 가족력 및 폐경 상태(menopausal status)를 고려한 전체 모델에서 곡선 아래 면적(area under the curve, AUC)은 0.71에 도달했다. 특히, 이 연구는 위험을 결정할 때 유방 이미지 데이터를 고려한다. 이 경우, 유방 밀도 및 질감과 관련된 이미지 데이터가 사용된다. 특히, 평가에서 왼쪽 유방 대 오른쪽 유방에 존재하는 미세 석회화의 수를 고려한다. 진단 이미지 이전의 이미지는 유방의 위험 병변을 결정하는 데 사용된다.
유방암 위험을 결정하기 위한 다른 모델(예를 들어, Tyrer-Cuzick, BOADICEA 및 Gail 모델)이 있다. 이 모델은 위험 병변에 대한 유방 영상을 고려하지 않는다. 유방암 스크리닝에서 위험 점수 결정을 개선하기 위해 고해상도 유방 이미지 정보의 가용성을 활용하는 것이 바람직하다.
본 발명은 미세 석회화와 같은 조직 내 구조의 검출에 기초할 수 있는 건강 관리 시스템에 상당한 비용이나 노력을 추가하지 않고 개별화된 유방암 스크리닝을 위한 용이하게 구현 가능한 예측 도구를 제공함으로써 종래 기술의 단점을 극복한다. 이러한 미세 석회화는 (예를 들어)위험 병변의 검출을 기초로 할 수 있다. 이러한 검출된 구조의 특성은 유방 조영술 밀도, 유전적 위험 변이, 유전 위험, 동반 질환, 호르몬 및 생활 습관 요인을 포함하지만 이에 제한되지 않는 위험 요인과 선택적으로 결합될 수 있다. 사용된 프로세스(프로세서)는 딥 러닝, AI, 신경망 및/또는 유사한 컴퓨팅/데이터 처리 배열을 기초로 한 CAD (또는 유사하게 구성되고 작동하는) 컴퓨팅 시스템을 포함하며, 획득된 영상으로부터 매우 정확한 특징을 생성할 수 있다. 특히, 위험 병변에 대한 CAD 시스템은 기존 상태를 진단하기 위해 CAD를 사용하는 보다 전통적인 응용 프로그램 외에도 질병(예를 들어, 유방암) 발병 위험을 증가시키고 예측을 촉진하기 위해 사용된다. 특히, 획득된 유방 이미지 데이터는 이전에 사용된 미세 석회화 및 종괴 측정보다 더 많은 정보를 제공하는 예측 위험 점수 모델을 도출하는 데 사용되는 추가적인 이미지 특징을 제공할 수 있다.
예시적인 구현예에서, 조직의 영상 및 (선택적으로)다른 환자 관련 요인에 기초하여 암으로 진단될 위험을 평가하기 위한 시스템 및 방법이 제공된다. CAD (또는 유사하게 구성된)시스템은 영상을 분석하고 다수의 수치 특징 값을 생성한다. 평가 모듈은 (선택적으로)환자 요인 및 이력으로부터 입력을 수신하고 특징 값과 환자 요인 및 이력에 기초하여 위험을 계산한다. 마스킹 결정 모듈은 환자 관련 요인으로부터 입력을 수신하고, 특징 값과 환자 요인 및 이력에 기초하여 그렇지 않으면 낮은 검출 확률을 특성으로 하는 암에 걸릴 위험을 계산한다. 리콜 결정 모듈은 평가 모듈 및 마스킹 평가 모듈로부터 입력을 수신하고 환자의 임상 후속 조치에 대한 컴퓨터 지원(computer-aided) 표시를 생성한다. 평가 모듈은 또한 임상의에 의한 치료 반응을 모니터링 하기 위해 조직의 이전 영상으로부터 점수 데이터를 수신할 수 있다. 평가 결과는 그래픽 인터페이스 디스플레이를 사용하여 임상의 및/또는 환자에게 표시될 수 있다. 예시적으로, 평가 모듈은 전문가가 암을 포함하는 것으로 확인된 조직의 이전 영상에서 점수 데이터를 수신한다. 평가 모듈은 또한 임상의에 의한 치료 반응을 모니터링 하기 위해 조직의 이전 영상으로부터 점수 데이터를 수신한다. 환자 관련 요인은 (a) 유방 영상, (b) 조직 밀도 비율, (c) 밀도 압축률, (d) 영상 획득되었을 때 연령, (e) BMI, (f) 폐경 상태, (g) 암 가족력, (h) 질병의 개인 이력, (i) 생활 습관, (j) 유전적 변이, 및 (k) 이전 건강 관리 검사에서 얻은 정보 중 적어도 하나를 포함할 수 있다. 또한, 평가 모듈은 특정 하위 유형의 암 또는 일반화 된 유방암을 결정하도록 배열될 수 있다. 특징은 CAD 시스템에 의해 조직에 국한된 병변 후보를 기초로 설정된다. 또한, 위험 평가 모듈은 미세 석회화, 종괴 및 조직 밀도에 대한 유방 측면 차이를 사용할 수 있고/있거나 조직 밀도와 종괴 간의 상호 작용을 사용할 수 있다. 사용자 인터페이스 출력 모듈은 위험 대 위험 값 스케일, 마스킹 대 마스킹 값 스케일 및/또는 리콜 점수에 대한 그래픽 디스플레이 출력을 제공할 수 있다. 다양한 실시예에서, 조직은 인간 유방 조직이고 영상은 유방 조영술 영상이다.
아래의 발명 설명은 첨부된 도면을 참조하며, 그 중:
도 1은 본 명세서의 시스템 및 방법에 따라 위험 평가를 수행하고 결과를 사용자/임상의에게 표시하기 위한 프로세서 및 관련 프로세스에 유방 영상 데이터를 전달하는 것을 보여주는 다이어그램이다.
도 1a는 도 1의 배열을 사용하는 데이터 및 영상을 입력하기 위한 전체 런타임 절차의 플로우 다이어그램이다.
도 1b는 도 1b의 전체 런타임 절차의 보다 상세한 플로우 다이어그램이다.
도 2는 런타임 위험 평가 프로세스에서 사용하기 위해 환자 유방 조영술 데이터로부터 보정된 분류기의 생성/훈련을 보여주는 플로우 다이어그램이다.
도 2a는 시스템 및 방법에 따른 위험 평가 및 훈련에 사용하기 위한 단일 시점에서의 환자 암 위험 대 연령 범위에 걸친 모집단 유병률(population prevalence)을 보여주는 예시적인 그래프이다.
도 2b는 시스템 및 방법에 따른 위험 평가 및 훈련에 사용하기 위한 시간에 따른 환자 암 위험 대 연령 범위에 걸친 모집단 유병률을 보여주는 예시적인 그래프이다.
도 3은 시스템 및 방법에 따른 CAD 시스템에 의한 런타임 분석을 위한 유방의 예시적인 획득된/입력 이미지이다.
도 3a는 도 3에 따른 CAD 시스템에 입력하기 위한 왼쪽 유방 및 오른쪽 유방 이미지의 예시적인 세트이다.
도 4는 CAD 시스템에 의한 추가 분석을 위한 조직에서 후보 병변의 식별 및 위치를 보여주는 도 3에 따른 유방의 예시적인 이미지이다.
도 5는 도 4에 따른 CAD 시스템에 의한 후보 병변의 식별 및 위치에 기초한 특징 값의 계산을 보여주는 도 3에 따른 유방의 예시적인 이미지이다.
도 6-8은 위험 및 리콜 점수를 그래픽 및 백분율 값으로 보여주는 시스템 및 방법에 의해 사용자에게 제시되는 예시적인 디스플레이이다.
도 1은 본 명세서의 시스템 및 방법에 따라 위험 평가를 수행하고 결과를 사용자/임상의에게 표시하기 위한 프로세서 및 관련 프로세스에 유방 영상 데이터를 전달하는 것을 보여주는 다이어그램이다.
도 1a는 도 1의 배열을 사용하는 데이터 및 영상을 입력하기 위한 전체 런타임 절차의 플로우 다이어그램이다.
도 1b는 도 1b의 전체 런타임 절차의 보다 상세한 플로우 다이어그램이다.
도 2는 런타임 위험 평가 프로세스에서 사용하기 위해 환자 유방 조영술 데이터로부터 보정된 분류기의 생성/훈련을 보여주는 플로우 다이어그램이다.
도 2a는 시스템 및 방법에 따른 위험 평가 및 훈련에 사용하기 위한 단일 시점에서의 환자 암 위험 대 연령 범위에 걸친 모집단 유병률(population prevalence)을 보여주는 예시적인 그래프이다.
도 2b는 시스템 및 방법에 따른 위험 평가 및 훈련에 사용하기 위한 시간에 따른 환자 암 위험 대 연령 범위에 걸친 모집단 유병률을 보여주는 예시적인 그래프이다.
도 3은 시스템 및 방법에 따른 CAD 시스템에 의한 런타임 분석을 위한 유방의 예시적인 획득된/입력 이미지이다.
도 3a는 도 3에 따른 CAD 시스템에 입력하기 위한 왼쪽 유방 및 오른쪽 유방 이미지의 예시적인 세트이다.
도 4는 CAD 시스템에 의한 추가 분석을 위한 조직에서 후보 병변의 식별 및 위치를 보여주는 도 3에 따른 유방의 예시적인 이미지이다.
도 5는 도 4에 따른 CAD 시스템에 의한 후보 병변의 식별 및 위치에 기초한 특징 값의 계산을 보여주는 도 3에 따른 유방의 예시적인 이미지이다.
도 6-8은 위험 및 리콜 점수를 그래픽 및 백분율 값으로 보여주는 시스템 및 방법에 의해 사용자에게 제시되는 예시적인 디스플레이이다.
I. 시스템 개요
예를 들어, (예를 들어)유방 조영술에 기초한 환자(114)의 스캔으로부터 획득된, 이미지 데이터(110)가 이미징 장치(112)로부터 도출되거나 획득된 이미지를 저장하는 일반화된 배열(100)을 보여주는 도 1을 참조한다. 이미지 데이터(110)는 프로세서 및 관련 분석 프로세스(120)에 제공된다. 프로세스(프로세서)(120)는 신경망 또는 유사한 학습 배열/데이터 구조(예를 들어, AI 기반 시스템)를 구축 및/또는 사용하여 이미지 및 기저 조직 내에서 검출된 구조의 중요성을 평가하는데 사용하기 위한 점수를 도출하는 딥 러닝 CAD 시스템(130)의 일부이다. 여기에서 사용된 용어 "CAD"는 컴퓨터 지원 검진 프로세스를 수행하는 컴퓨팅 시스템(하드웨어, 소프트웨어 및/또는 펌웨어)을 의미할 수 있으며, 숙련자에게 명확한 방식으로 컴퓨터 지원 분석 프로세스를 (선택적으로)수행할 수 있다. 또한, 용어 "CAD"는 숙련자에게 명확한 방식 및/또는 맞춤형 방식으로 위험 예측을 위해 최적화된 컴퓨팅 시스템을 포함하는 것으로 간주될 수 있다. 프로세스(프로세서)는 디스플레이 및/또는 터치 스크린(142), 키보드(144) 및 마우스(146)를 포함하는 장치(140)에 의해 예시된 바와 같이 임의의 수용 가능한 컴퓨팅 장치 또는 환경(예를 들어, 랩톱, PC, 서버, 클라우드 등)에서 인스턴스화 될 수 있다.
프로세스(프로세서)(120)에는 다양한 요인(150)이 제공되며, 이들 중 일부는 적절한 인터페이스를 사용하여 장치(140)를 통해 사용자에 의해 입력된다. 이러한 요인은 중요하게 유방/조직 밀도를 포함할 수 있다. 이러한 밀도 및 관련 데이터는 이미징 장치(112)를 통해 또는 이전 또는 모델 유방 조영술 데이터(152)를 포함하는 다른 소스를 통해 전달되는 유방 조영술로부터 유도될 수 있다. 다른 데이터는 나이, 암의 이전 병력, (예를 들어) 알코올 섭취, 식이 요법, 흡연, 약물 사용, 수면 패턴, 가족 유전학, 다 유전자(polygenic) 요인 등을 포함하는 생활 습관을 기초로 할 수 있다. 프로세서(120)는 또한 (예를 들어) 미세 석회화의 이미지 데이터에서의 존재를 결정한다. 이러한 요소는 딥 러닝 계산의 일부인 CAD 점수를 사용하는 위험 평가 프로세스(프로세서)(124)에 적용된다.
도 1a는 도 1의 배열(100)에 의해 그리고 이와 관련하여 수행되는 일반화된 런타임 절차(160)를 보여준다. 도 1b는 절차(160)의 그래픽 표현 (170)을 보여준다. 보여진 바와 같이, 단계(162)에서, 절차(160)는 환자로부터 하나 이상의 유형의 유방 조영술 영상(172); 예를 들어, 2D FFDM 이미지, 3D 단층 합성(tomosynthesis)볼륨 및/또는 2D 합성 이미지를 입력한다. 시스템은 이 이미지 데이터를 사용하여 CAD 특징(아래 설명된 숫자 값)(174)의 범위를 계산한다. 시스템(예를 들어, 인터페이스 152를 통해)은 (a) 환자의 연령, (b) 생활 습관 가족 요인, (c) 다 유전자(DNA 기반) 위험 요인/점수(예를 들어, 위에서 참조한 Karolinska 연구에 설명된 바와 같음) 및/또는 (d) 유방 밀도를 포함하지만 이에 제한되지 않는 환자와 관련된 선택적 데이터(176)를 입력할 수 있다.
전체 절차(160)의 단계(164)에서, 본 명세서의 시스템 및 방법은 단계(162)로부터의 입력 정보를 사용하여 정확한 단기 및 장기 위험 점수(178)(아래에서 더 설명된 바와 같음)를 계산한다. 그 다음, 단계(166)에서, 전체 절차(160)는 단계(164)의 계산을 기초로 최종 사용자(예를 들어, 임상의, 환자 등)에게 연관된 단기 및 장기 위험 점수를 갖는 결과를 (예를 들어)인터페이스 장치(140) 상에 생성하고 표시(그리고 선택적으로 저장)한다. 디스플레이는 다양한 형식과 프레젠테이션 스타일─예를 들어, 미터, 막대 그래프, 곡선 및/또는 색상 코드 필드─을 구현할 수 있다. 예를 들어, 위험 점수 "미터" 디스플레이(180)는 악성 발병의 2년 위험("낮음", "평균" 및 "높음"사이)에 대한 그래픽 및 백분율 디스플레이를 모두 제공한다. 이 디스플레이(180)는 또한 아래에서 더 설명되는 나열된 "마스킹 스코어"를 포함한다.
II. 점수 및 분류기 생성
CAD에서 생성된 점수는 특히 다음 사항을 고려하여 사용된다:
о 환자의 의심스러운 발견(병변)의 수
о 이러한 병변이 종괴 또는 미세 석회화일 가능성
о 종괴 또는 미세 석회화가 악성일 가능성
о 유방의 질감
о 강도 분포
о 생활 습관 요인
о 유방암의 가족력 및 발병 연령
о 유전적 변이(예를 들어, 다 유전자 위험 점수)
о 나이
о 체질량 지수
о 폐경 상태
о 이전 유방 조직 이상 이력
о 이전 건강 관리 검사에서 얻은 정보
о 술 및 담배 사용에 관한 정보
다음과 같은 환자 정보(위에서 설명된 요인(150))와 함께 CAD 특징은 본 발명의 시스템 및 방법에 따른 위험 점수의 예측에 사용된다.
이제 도 2의 절차(200)를 참조하며, 여기서 상기 정보는 위험 평가 모듈/프로세스(134)에 의해 위험 점수를 도출하는 데 사용된다. 단계(210)에서, 한 세트의 유방 조영상 및 그것의 이전 조영상이 환자에게 제공된다. 이 데이터에는 현재 유방 조영상에 암이 포함되어 있는지 여부에 대한 지식이 포함된다. 단계(220)에서 이미지상에서 계산된 CAD 특징을 포함하는 알려진 특징을 갖는 이전 유방 조영상도 절차(200)에 제공된다. 단계(230)에서, 그리고 현재 및 이전 유방 조영상 데이터에 기초하여, 절차(200)는 동일한 환자의 현재 유방 조영상이 암을 포함하는지 여부를 예측하기 위해 분류기를 설계/생성한다. 단계(240)에서, 분류기 점수(classifier score)는 위험 점수를 도출하기 위해 모집단 유병률에 기초하여 그 다음 보정된다.
이제 도 2a 및 도 2b를 참조하면, 각각의 그래프(260 및 270)가 제공되어, 주어진 연령 범위에서 유방암 발병 환자의 연령 관련 위험 대 일반 모집단의 위험을 나타내는 플롯(262 및 272)을 보여준다. 이 예에서 모집단 유병률 곡선은 10%(264, 274), 평균(266, 276) 및 90%(268, 278)의 위험을 나타낸다. 환자 위험의 플롯(272)는 그래프(270)에서 20년에 걸쳐 확장된다.
추가 배경으로, CAD는 (예를 들어)유방 조직에서 발생하는 미세 석회화 및 종괴와 같은 악성 병변을 검출하도록 설계된다. 본 발명의 시스템 및 방법에서 이 프로세스의 일부로 계산된 특징은 (a) 환자의 의심스러운 발견(병변) 수, (b) 이러한 병변이 종괴 또는 미세 석회화 일 가능성, (c) 종괴와 미세 석회화가 악성일 가능성, (d) 왼쪽 및 오른쪽 유방의 상대적 분포, (e) 유방 조직의 상대적 질감 및 (f) 획득된 이미지 내의 상대적 강도 분포를 고려한다. 이러한 특징은 각 검출 이벤트에 대한 각 숫자 값에 매핑된다. 일 실시예에서, CAD 특징은 약 65개의 부동 소수점 값(floating-point values)으로 특성화 될 수 있다. 따라서 많은 수의 변수 특징을 제공함으로써 계산된 단기 및 장기 위험 모델의 전체 정확도가 종래 기술보다 크게 향상될 수 있다.
도 3 내지 도 5를 참조하면, 특징 값을 계산하는 프로세스가 유방의 입력 이미지(300)(도 3)의 관점에서 묘사된다. 도 3a에 보여진 예시적인 실시예에서, 영상은 각각의 왼쪽 및 오른쪽 유방의 두미축(craniocaudal, CC)(320 및 322) 및 내외사방향 촬영(mediolateral oblique, MLO)(330 및 332) 모두를 포함할 수 있다. CAD 시스템은 상업적으로 이용 가능한/알려진 기술을 사용하여 이미지 (300)를 분석하고(블록 420), 잠재적 악성 병변의 위치(410)를 갖는 목록을 생성한다. 잠재적 병변(410)을 찾은 후, CAD 시스템은 이용 가능하고 알려진 기술을 다시 사용하여 이들 각각의 병변(도 5의 블록 510) 각각에 대한 특징 수치 값(520)을 생성한다.
단계 250에서, 보정된 분류기는 새로운 환자와 함께 사용하기 위해 후속 런타임 프로세스에 제공될 수 있다. 따라서 새로운 환자와 관련된 유방 조영술 이미지는 관련 환자 정보/요인과 함께 위험 평가 프로세스에 입력된다. 이 정보는 예측 위험 점수를 출력하는데 사용된다.
III. 결과 발표
프로세스(프로세서)(120)(도 1)는 사용자 인터페이스 및/또는 GUI 구동 부품(126)을 포함한다. 이것은 제공된 정보로부터 계산된 위험을 시각화하기 위해 임상의 또는 다른 사람들이 사용할 디스플레이를 생성하는 데 사용된다. 따라서, 전술한 절차 및 계산의 결과는 환자에게 조언하고 후속 방문 및 치료를 안내하는 데 사용하기 위해 사용자 및/또는 임상의에게 표시될 수 있다. 예시적인 디스플레이의 몇 가지 예가 도 6-8에 보여진다. 도 6의 디스플레이(600)에서, 수직(예를 들어, 색상 또는 강도 코딩(intensity-coded)된 막대 그래프(630)와 연관된 포인터(620)를 사용하여 환자(예를 들어, 유방암 발병의 18%)에 대한 2년 위험 점수가 보여진다. 도 7의 예시적인 디스플레이(700)는 2년 위험 점수(예를 들어, 28%)에 대한 포인터(720) 및 2년 리콜 점수 포인터(730)(예를 들어, 18%)도 제공한다. 디스플레이(800)에서, 리콜 점수는 포인터(820)로서 제공되는 반면, 2년 리콜 점수(830)는 영숫자로만 나열된다.
실제 묘사된 위험 값 및 범위는 예시적인 구현에서 매우 가변적 일 수 있다. 예를 들어, 0-100 스케일 대신 대략 0%에서 2%사이의 전체 스케일(또는 상대적으로 낮은, 또 다른 최대 백분율)일 수 있다. 이러한 예에서, 묘사된 "낮음" 위험 값은 대략 0.15%에서; "평균" 위험은 대략 0.6%에서; "높은" 위험은 대략 1.6%로 끝날 수 있다; 그리고 묘사된 "높음+"(매우 높음) 위험은 1.6%를 초과하여 최대 2% 이상까지 확장될 수 있다. 전체 스케일 및 각 수준에 대해 선택된 값은 여기에 설명된 다양한 요인에 기초하여 계산될 수 있다. 이러한 계산이 위험 수준을 스케일하는 데 사용하는 미리 결정된 임계값이 있을 수 있다.
위험 평가 프로세스(124)가 디스플레이(700)에서 포인터(740)와 함께 그리고 예시적인 디스플레이(600 및 800)에서 영숫자(640 및 840)로도 묘사된 마스킹 점수를 계산할 수 있다는 것이 고려된다. 마스킹 점수는 환자가 종양에 걸릴 확률이 높고 현재 검사에서 종양이 검출될 확률이 낮은 상황에서 위험을 정량화하는 특정 측정 수치(particular metric)를 계산한다. 마스킹 점수는 위험 점수 결정인자를 사용하여 유방암 사례에 대해 훈련되고 추가로 검출 모드(중간암(interval cancer) 대 스크린 검출 암)에 대해 훈련된다. 이 점수는 중간암과 스크린 검출 암 간에 다른 특정 이미지 특징 및 환자 특성을 식별한다. 예측된 높은 마스킹 점수는 일반적으로 중간암에 대한 높은 확률로 해석된다. 보다 일반적으로, 시스템의 위험 평가 모듈은 환자 조직의 이전 영상으로부터 점수 데이터를 수신하여 임상의에 의한 치료 반응을 모니터링 할 수 있게 한다.
임상의는 치료에 대한 반응으로 인한 위험 점수 및 마스킹 점수의 임의의 변화에 대해 미리 결정된 간격으로 환자를 모니터링하는 것이 바람직하다. 이러한 방식으로, 임상의는 그런 다음 해당 환자에 대한 개별화된 프로그램의 임의의 적절한 변경을 제안할 수 있다.
위험 평가 프로세스(124)는 디스플레이(700)에서 포인터(730)와 함께 예시적인 디스플레이(600 및 800)에서 영숫자(630 및 820)로도 묘사된 "리콜" 점수를 계산할 수 있다. 리콜 점수는 환자에게 개별화된 의료 프로그램을 추천하기 위한 컴퓨터 지원 지표이다.
예를 들어, 영국 NICE 가이드라인(https://www.nice.org.uk/guidance/cg164)을 참조한다. (예를 들어)유방암 위험이 높은 여성을 위한 NICE 가이드라인 건강 관리 프로그램의 발췌 내용은 다음과 같다:
1.6.2 유방암 위험이 보통이거나 높은 여성에게 정기적으로 초음파 감시를 제공하지 말고 다음 사항을 고려한다:
1.6.3 여성에게 매년 유방 조영술 감시를 제공한다:
참조 https://www.nice.org.uk/guidance/cg164/chapter/Recommendations#surveillance-and-strategies-for-early-detection-of-breast-cancer.
리콜 점수의 특성은 위험 점수와 마스킹 점수를 기초로 한다. 위험 점수가 높을수록 환자가 유방암 진단을 받을 위험이 더 높다는 것을 나타낸다. 마스킹 점수가 높을수록 환자의 위험이 더 높고 모달리티(modality)(예를 들어, 디지털 유방 조영술)의 결과를 해석하기 어렵다는 것을 나타낸다. 더 높은 리콜 점수는 환자가 더 높은 위험에 있고 및/또는 더 높은 마스킹 확률을 가지고 있음을 추가로 나타낸다. 리콜 점수는 위험 및 마스킹 점수에 따른 통계적 구성이다. 리콜 점수의 범위는 0%와 100% 사이로 정의되며 그리고 스케일의 컷오프는 카테고리를 정의한다. 카테고리는 여성에게 개별화된 건강 관리 프로그램에 대한 추천 사항을 나타내는데 사용된다. 추천 사항의 예로는 민감도가 증가된 모달리티를 사용한 현재 검사 추적, 암 의심에 대한 후속 조치, 유방암 위험 또는 마스킹을 줄이기 위한 프로그램 참여, 더 강력한 스크리닝 또는 덜 빈번한 스크리닝이 있다.
VI. 성과
다음 표는 Karolinska 연구에서 제안된 위험 모델에 CAD 검진 특징을 통합하는 시스템 및 방법(모델 1)을 사용한 민감도 대 특이성 곡선에 대한 AUC의 최소 7% 개선을 보여준다. 정확도를 더욱 향상시키는 다른 모델과 전통적인 위험 모델도 비교를 통해 묘사된다.
1AUC (area under the receiver-operating curve, 수신자 작동 곡선 아래의 면적) 및 95% 신뢰 구간을 사용한 판별력(discrimination performance).
2위험 점수 및 마스킹 점수를 예측 변수로 사용하는 대조군과 대조되는 일반적 유방암 사례의 리콜 점수. 위험 및 마스킹 점수는 각각 위험 및 마스킹 예측의 시간 프레임과 함께 전체 코호트에서 예측되었다.
3포함된 생활 습관 및 가족적 위험 요인은 BMI, 폐경 상태, 현재 HRT 사용, 담배, 알코올 및 유방암 가족력이었다.
리콜 모델 1, 2, 3에 대한 Hosmer-Lemeshow 모델 적합 테스트 통계량(fit test statistic)은 0.22, 0.16 및 0.24 였다.
V. 결론
환자 정보 및 전통적인 요인(유방 밀도)과 결합된 이미지 데이터의 CAD 분석을 기초로 한 모델링 위험을 위한 위에서 설명한 시스템 및 방법은 결과의 정확성에서 상당한 향상을 달성한다. 이 접근 방식을 통해 CAD 기반(예를 들어, 딥 러닝, 신경망, AI) 컴퓨팅 환경을 통해 기존 이미지 데이터의 점진적 업데이트를 통해 전체 모델을 개선할 수 있다. 결과는 다양한 그래픽 형식으로 표시될 수 있으므로 사용자 및 환자의 이해가 쉬워진다.
전술한 내용은 본 발명의 예시적인 실시예에 대한 상세한 설명이다. 본 발명의 사상 및 범위를 벗어나지 않고 다양한 수정 및 추가가 이루어질 수 있다. 위에서 설명된 다양한 실시예들 각각의 특징은 관련된 새로운 실시예에서 다수의 특징 조합들을 제공하기 위해 적절하게 다른 설명된 실시예의 특징들과 결합될 수 있다. 더욱이, 전술한 내용은 본 발명의 장치 및 방법의 다수의 개별 실시예를 설명하지만, 여기에 설명된 것은 단지 본 발명의 원리의 적용을 단지 예시한 것이다. 예를 들어, 여기에서 사용된 용어 "프로세스" 및/또는 "프로세서"는 다양한 전자 하드웨어 및/또는 소프트웨어 기반 기능 및 부품을 포함하도록 (그리고 대안적으로 기능적 "모듈" 또는 "요소"로 지칭될 수 있음) 광범위하게 받아들여야 한다. 더욱이, 묘사된 프로세스 또는 프로세서는 다른 프로세스 및/또는 프로세서와 결합되거나 다양한 하위 프로세스 또는 프로세서로 분할될 수 있다. 이러한 하위 프로세스 및/또는 하위 프로세서는 본 명세서의 실시예에 따라 다양하게 결합될 수 있다. 마찬가지로, 본 명세서의 임의의 기능, 프로세스 및/또는 프로세서는 전자 하드웨어, 프로그램 명령의 비-일시적 컴퓨터 판독 가능 매체로 구성된 소프트웨어, 또는 하드웨어와 소프트웨어의 조합을 사용하여 구현될 수 있음이 명시적으로 고려된다. 또한, 본 명세서에서 사용된 바와 같이 "수직", "수평", "위", "아래", "하단", "상단", "측면", "전면", "후면", "좌측", “우측” 등과 같은 다양한 방향 및 배치 용어는 중력의 작용 방향과 같은 고정된 좌표 공간에 대한 절대적인 방향/배치가 아닌 상대적 관습으로만 사용된다. 또한, 주어진 측정, 값 또는 특성과 관련하여 "실질적으로" 또는 "대략" 이라는 용어가 사용되는 경우 원하는 결과를 얻기 위해 정상 작동 범위 내에 있는 양을 의미하지만 시스템의 허용 공차(예를 들어, 1-5%) 내에서 내재된 부정확성과 오류로 인한 약간의 변동성이 포함된다. 따라서, 이 설명은 단지 예로서 취해지는 것을 의미하며, 본 발명의 범위를 달리 제한하지 않는다.
Claims (21)
- 조직 영상 및 (선택적으로)환자 관련 요인을 기초로 암 진단 위험을 평가하기 위한 시스템으로서:
상기 영상을 분석하고 복수의 수치 특징 값을 생성하는 CAD 시스템; 및
입력을 수신하고 상기 특징 값을 기초로 상기 위험을 계산하는 평가 모듈; 을 포함하는,
시스템. - 제1항에 있어서,
상기 평가 모듈은 임상의에 의한 치료 반응을 모니터링 하기 위해 조직의 이전 영상으로부터 점수 데이터를 수신하는,
시스템. - 제1항에 있어서,
상기 평가 모듈은 환자 관련 요인을 더 수신하고 환자 요인 및 이력을 사용하여 상기 위험을 계산하는,
시스템. - 제3항에 있어서,
상기 평가 모듈은 임상의에 의한 치료 반응을 모니터링 하기 위해 조직의 이전 영상으로부터 점수 데이터를 수신하는,
시스템. - 제3항에 있어서,
상기 환자 요인 및 이력으로부터 입력을 수신하고, 상기 특징 값 및 상기 환자 요인 및 이력에 기초하여 그렇지 않으면 낮은 검출 확률을 특성으로 하는 암에 걸릴 상기 위험을 계산하는 마스킹 결정 모듈을 더 포함하는,
시스템. - 제5항에 있어서,
상기 평가 모듈은 임상의에 의한 치료 반응을 모니터링 하기 위해 조직의 이전 영상으로부터 점수 데이터를 수신하는,
시스템. - 제5항에 있어서,
상기 평가 모듈 및 마스킹 평가 모듈로부터 입력을 수신하고 상기 환자에 의한 임상 후속 조치의 컴퓨터 지원 표시를 생성하는 리콜 결정 모듈을 더 포함하는,
시스템. - 제3항에 있어서,
상기 평가 모듈은 전문가에 의해 암을 포함하는 것으로 확인된 조직의 이전 영상으로부터 점수 데이터를 수신하는,
시스템. - 제3항에 있어서,
상기 환자 관련 요인은 (a) 유방 영상, (b) 조직 밀도 비율, (c) 밀도 압축률, (d) 영상이 획득되었을 때 연령, (e) BMI, (f) 폐경 상태, (g) 암 가족력, (h) 질병의 개인 이력, (i) 생활 습관 요인, (j) 유전적 변이 및 (k) 이전 건강 관리 검사에서 얻은 정보 중 적어도 하나를 포함하는,
시스템. - 제3항에 있어서,
상기 평가 모듈이 특정 하위 유형의 암 또는 일반화된 유방암을 결정하는,
시스템. - 제10항에 있어서,
상기 특징은 상기 CAD 시스템에 의해 상기 조직에 국한된 병변 후보에 기초하여 설정되는,
시스템. - 제11항에 있어서,
상기 위험 평가 모듈은 미세 석회화, 종괴 및 조직 밀도에 대해 각 유방 측면 간의 차이를 사용하는,
시스템. - 제12항에 있어서,
상기 위험 평가 모듈은 조직 밀도와 종괴 간의 상호 작용을 사용하는,
시스템. - 제1항에 있어서,
마스킹의 그래픽 디스플레이 출력 대 위험 값의 스케일을 제공하는 사용자 인터페이스 출력 모듈을 더 포함하는,
시스템. - 제5항에 있어서,
상기 마스킹의 그래픽 디스플레이 출력 대 마스킹 값의 스케일을 제공하는 사용자 인터페이스 출력 모듈을 더 포함하는,
시스템. - 제15항에 있어서,
상기 디스플레이 출력은 리콜 점수를 제공하는,
시스템. - 제3항에 있어서,
상기 조직이 인간 유방 조직이고 상기 영상이 유방 조영술 영상인,
시스템. - 조직 영상 및 (선택적으로)다른 환자 관련 요인을 기초로 암 진단 위험을 평가하는 방법으로서:
상기 방법은,
CAD 시스템을 사용하여 영상을 분석하고 복수의 수치 특징 값을 생성하는 단계; 및
상기 특징 값이 있는 상기 CAD 시스템에서 입력을 수신하고 상기 특징 값을 기초로 상기 위험을 계산하는 단계;를 포함하는,
방법. - 제16항에 있어서,
상기 수신하는 단계는 상기 환자 관련 요인을 수신하는 단계를 포함하며 상기 계산하는 단계는 상기 환자 관련 요인에 기초하여 상기 위험을 계산하는 단계를 포함하는,
방법. - 제19항에 있어서,
상기 환자 요인 및 이력으로부터 입력을 수신하는 단계를 포함하는 마스킹 점수를 결정하는 단계 및 상기 특징 값과 상기 환자 요인 및 이력에 기초하여 그렇지 않으면 낮은 검출 확률을 특성으로 하는 암 발병 위험을 계산하는 단계를 더 포함하는,
방법. - 제20항에 있어서,
상기 평가 모듈 및 마스킹 평가 모듈로부터 입력을 수신하고, 상기 환자에 의한 임상 후속 조치의 컴퓨터 지원 표시를 생성하는 단계를 포함하는 리콜 점수를 결정하는 단계를 더 포함하는,
방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862770958P | 2018-11-23 | 2018-11-23 | |
| US62/770,958 | 2018-11-23 | ||
| PCT/US2019/062869 WO2020107023A1 (en) | 2018-11-23 | 2019-11-22 | System and method for assessing breast cancer risk using imagery |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210095654A true KR20210095654A (ko) | 2021-08-02 |
Family
ID=70770050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217019280A KR20210095654A (ko) | 2018-11-23 | 2019-11-22 | 영상을 사용하여 유방암 위험을 평가하기 위한 시스템 및 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (2) | US11205265B2 (ko) |
| EP (1) | EP3884458A4 (ko) |
| JP (1) | JP2022507955A (ko) |
| KR (1) | KR20210095654A (ko) |
| CN (1) | CN113302646A (ko) |
| AU (1) | AU2019384179A1 (ko) |
| WO (1) | WO2020107023A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022019698A1 (ko) | 2020-07-24 | 2022-01-27 | 주식회사 엘지에너지솔루션 | 리튬-황 전지용 음극 및 이를 포함하는 리튬-황 전지 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11883206B2 (en) | 2019-07-29 | 2024-01-30 | Hologic, Inc. | Personalized breast imaging system |
| JP7465342B2 (ja) | 2019-09-27 | 2024-04-10 | ホロジック， インコーポレイテッド | ２ｄ／３ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのａｉシステム |
| CN114846512A (zh) | 2019-10-25 | 2022-08-02 | 永康智能股份有限公司 | 用于分析三维图像数据的系统和方法 |
| EP3832689A3 (en) | 2019-12-05 | 2021-08-11 | Hologic, Inc. | Systems and methods for improved x-ray tube life |
| US11481038B2 (en) | 2020-03-27 | 2022-10-25 | Hologic, Inc. | Gesture recognition in controlling medical hardware or software |
| US11471118B2 (en) | 2020-03-27 | 2022-10-18 | Hologic, Inc. | System and method for tracking x-ray tube focal spot position |
| US11210848B1 (en) * | 2020-06-14 | 2021-12-28 | International Business Machines Corporation | Machine learning model for analysis of 2D images depicting a 3D object |
| CN112420204B (zh) * | 2020-11-03 | 2023-10-20 | 重庆医科大学 | 乳腺癌筛查方案推荐系统及推荐方法 |
| CA3238945A1 (en) * | 2021-12-07 | 2023-06-15 | Richard Allman | Breast cancer risk assessment |
| WO2023140475A1 (ko) | 2022-01-21 | 2023-07-27 | 주식회사 루닛 | 가이드 이미지와 복수의 3d 이미지 슬라이스로 구성된 3d 단층촬영 영상 간 병변 위치를 연동하여 제공하는 장치 및 방법 |
| CN114827452B (zh) * | 2022-03-09 | 2024-02-02 | 中国农业科学院果树研究所 | 一种控制无线摄像头远程收集果树图像的方法及系统 |
Family Cites Families (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6282305B1 (en) | 1998-06-05 | 2001-08-28 | Arch Development Corporation | Method and system for the computerized assessment of breast cancer risk |
| US7664604B1 (en) * | 2001-11-30 | 2010-02-16 | University Of South Florida | Breast cancer risk analysis and computer-aided diagnosis |
| AU2003219689A1 (en) * | 2002-02-08 | 2003-09-02 | Maryellen L. Giger | Method and system for risk-modulated diagnosis of disease |
| AU2004251359B2 (en) * | 2003-06-25 | 2009-01-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for breast imaging |
| US10008184B2 (en) * | 2005-11-10 | 2018-06-26 | Hologic, Inc. | System and method for generating a 2D image using mammography and/or tomosynthesis image data |
| US8218850B2 (en) * | 2006-02-10 | 2012-07-10 | Synarc Inc. | Breast tissue density measure |
| US8285019B2 (en) * | 2006-02-10 | 2012-10-09 | Synarc Inc. | Breast tissue density measure |
| US7792348B2 (en) * | 2006-12-19 | 2010-09-07 | Fujifilm Corporation | Method and apparatus of using probabilistic atlas for cancer detection |
| US8634610B2 (en) * | 2008-06-20 | 2014-01-21 | The Trustees Of The University Of Pennsylvania | System and method for assessing cancer risk |
| US20100124364A1 (en) * | 2008-11-19 | 2010-05-20 | Zhimin Huo | Assessment of breast density and related cancer risk |
| US9146663B2 (en) * | 2008-12-08 | 2015-09-29 | Hologic, Inc. | Displaying computer-aided detection information with associated breast tomosynthesis image information |
| WO2010143015A2 (en) * | 2008-12-23 | 2010-12-16 | Nordic Bioscience Imaging A/S | Breast tissue density measure |
| EP2564353A1 (en) | 2010-04-30 | 2013-03-06 | Vucomp, Inc. | Spiculated malignant mass detection and classification in radiographic image |
| PT2646980T (pt) | 2010-11-30 | 2017-03-17 | Volpara Health Tech Ltd | Técnica de imagiologia e sistema de imagiologia |
| WO2014194160A1 (en) | 2013-05-30 | 2014-12-04 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Automated percentage of breast density measurements for full field digital mammography |
| KR101586276B1 (ko) | 2013-08-02 | 2016-01-18 | 서울대학교산학협력단 | 사전 통계 정보를 이용한 유방 밀도 자동 측정 및 표시 방법과 이를 이용한 유방 밀도 자동 측정 시스템 및 컴퓨터 프로그램 저장 매체 |
| US20150112705A1 (en) * | 2013-10-18 | 2015-04-23 | Soar Biodynamics, Ltd. | Dynamic analysis and dynamic screening |
| US9277902B2 (en) * | 2013-11-22 | 2016-03-08 | General Electric Company | Method and system for lesion detection in ultrasound images |
| CN106462662B (zh) * | 2014-05-12 | 2020-10-02 | 皇家飞利浦有限公司 | 用于基于病例难度的计算机辅助患者分层的方法和系统 |
| EP3155592B1 (en) * | 2014-06-10 | 2019-09-11 | Leland Stanford Junior University | Predicting breast cancer recurrence directly from image features computed from digitized immunohistopathology tissue slides |
| US20160110516A1 (en) * | 2014-10-20 | 2016-04-21 | Liwei Ma | Dynamic monitoring early cancer risk |
| US11400116B2 (en) * | 2016-05-06 | 2022-08-02 | The Regents Of The University Of California | Systems and methods for targeting cancer cells |
| CA3030577A1 (en) * | 2016-07-12 | 2018-01-18 | Mindshare Medical, Inc. | Medical analytics system |
| US20180060535A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Updating probabilities of conditions based on annotations on medical images |
| US10140710B2 (en) | 2017-03-09 | 2018-11-27 | Kevin Augustus Kreeger | Automatic key frame detection |
| US11990242B2 (en) * | 2017-08-24 | 2024-05-21 | Cerner Innovation, Inc. | Reducing the risk of potentially preventable events |
| US11321841B2 (en) * | 2017-11-24 | 2022-05-03 | Osaka University | Image analysis method, image analysis device, image analysis system, and storage medium |
-
2019
- 2019-11-22 KR KR1020217019280A patent/KR20210095654A/ko unknown
- 2019-11-22 US US16/693,105 patent/US11205265B2/en active Active
- 2019-11-22 CN CN201980085636.1A patent/CN113302646A/zh active Pending
- 2019-11-22 WO PCT/US2019/062869 patent/WO2020107023A1/en unknown
- 2019-11-22 AU AU2019384179A patent/AU2019384179A1/en active Pending
- 2019-11-22 JP JP2021529264A patent/JP2022507955A/ja active Pending
- 2019-11-22 US US17/632,559 patent/US20220398721A1/en active Pending
- 2019-11-22 EP EP19888094.0A patent/EP3884458A4/en active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022019698A1 (ko) | 2020-07-24 | 2022-01-27 | 주식회사 엘지에너지솔루션 | 리튬-황 전지용 음극 및 이를 포함하는 리튬-황 전지 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200167920A1 (en) | 2020-05-28 |
| US20220398721A1 (en) | 2022-12-15 |
| CN113302646A (zh) | 2021-08-24 |
| JP2022507955A (ja) | 2022-01-18 |
| AU2019384179A1 (en) | 2021-07-08 |
| US11205265B2 (en) | 2021-12-21 |
| EP3884458A4 (en) | 2022-07-27 |
| WO2020107023A1 (en) | 2020-05-28 |
| EP3884458A1 (en) | 2021-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11205265B2 (en) | System and method for assessing breast cancer risk using imagery | |
| US10282588B2 (en) | Image-based tumor phenotyping with machine learning from synthetic data | |
| US10585940B2 (en) | Method and system for computer-aided patient stratification based on case difficulty | |
| KR101834051B1 (ko) | 혈관 기하학적 구조 및 생리학으로부터 혈류 특징들을 추정하기 위한 시스템들 및 방법들 | |
| RU2616985C2 (ru) | Система и способ для поддержки принятия клинических решений для планирования терапии с помощью логического рассуждения на основе прецедентов | |
| JP6014059B2 (ja) | 医療データの知的リンキング方法及びシステム | |
| JP5081390B2 (ja) | 腫瘍量を監視する方法及びシステム | |
| Ayvaci et al. | The effect of budgetary restrictions on breast cancer diagnostic decisions | |
| JP2007524461A (ja) | 乳房撮像の自動診断及び決定支援システム及び方法 | |
| EP3796210A1 (en) | Spatial distribution of pathological image patterns in 3d image data | |
| EP3573072A1 (en) | Performing a prognostic evaluation | |
| US20120246181A1 (en) | Method for construction and use of a probabilistic atlas for diagnosis and prediction of a medical outcome | |
| Cascio et al. | Computer-aided diagnosis in digital mammography: comparison of two commercial systems | |
| KR20150056013A (ko) | 유방 초음파 영상 및 탄성도 영상 획득 및 분석 방법 및 장치 | |
| JP7008017B2 (ja) | 正確な放射線科推奨を生成するシステムおよび方法 | |
| EP3164824B1 (en) | Method for prognosing a risk of occurrence of a disease | |
| US20200125598A1 (en) | Systems and methods for computer-assisted search of image slices for indications of a finding | |
| JP7512664B2 (ja) | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 | |
| Bohacik et al. | Nearest neighbor method using non-nested generalized exemplars in breast cancer diagnosis | |
| Yao et al. | Extracolonic findings on ct colonography: Does the benefit outweigh the cost? | |
| KR20230080365A (ko) | 생존곡선의 수학적 모델링을 통한 검사간격 설정 장치 및 그 방법 | |
| JP2023173693A (ja) | 診断支援装置、診断支援方法及びプログラム | |
| Diffey et al. | Estimating individual cancer risks in the UK national breast screening programme: a feasibility study | |
| CN109564772A (zh) | 生物学特征分析技术 | |
| Samuelson et al. | Special Section on Pioneers in Medical Imaging: Honoring the Memory of Robert F. Wagner: Comparison of semiparametric receiver operating characteristic models on observer data |